PERBANDINGAN DECISION TREE
|
|
- Yuliani Utami Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang) Jejen Jaenudin, Prabowo Pudjo Widodo Unversitas Ibn Khaldun Bogor Jln. K.H Sholeh Iskandar Km. 2 Bogor zen@ft.uika-bogor.ac.id, prabowo_pw@yahoo.com Abstract- This study applied a data mining model of student s grade point classification at the department of information technology on computer science faculty singaperbangsa university karawang. The objective of the study is to comprehend the description of rule models which are obtained to produce a decision based on satisfied and dissatisfied predicates. The decision tree algorithm on this study are the C 4.5 and ID3 algorithms. For data analysis, this study uses supporting software of RapidMiner 5.1. In designing data mining process, this research uses Cross- Industry Standard Process for Data Mining (CRISP-DM) model. The resulting output is C 4.5 decision tree algorithm might support the computer science faculty of singaperbangsa university karawang on decision-making in teaching and learning process as the basic reference for future improvements. Keywords: Data Mining, Decision Tree, Precision, Recall, Accuracy A. Latar Belakang I. PENDAHULUAN Pada saat ini, informasi telah menjadi kebutuhan pokok bagi kehidupan manusia. Hampir di setiap tempat, informasi selalu berguna mendukung aktivitas manusia, demikian halnya dengan usaha-usaha manusia untuk melakukan pengelolaan sumber daya organisasi. Pengelolaan suatu obyek seperti sumber daya organisasi memerlukan informasi untuk suatu analisis perencanaan, pengambilan keputusan, dan pelaksanaan. Ketidaktersediaan informasi akan menyebabkan suatu perencanaan menjadi tidak fokus pada obyek yang ditangani, sehingga akan menyebabkan suatu keputusan atau kebijakan yang diambil tidak dapat menyelesaikan masalahmasalah yang ada. Guna mendapatkan informasi yang akurat dan mudah dalam pengaksesannya, maka informasi dapat dikemas dalam sebuah sistem yang berbasis komputer. Data mining semakin hari semakin penting, karena semakin dibutuhkan dalam menyelesaikan masalah-masalah nyata baik di dalam dunia sains, rekayasa, industri, pemerintahan maupun pendidikan. Apalagi dengan perkembangan teknologi pengumpulan
2 2015 Jurnal Krea-TIF Vol: 03 No: data saat ini, di mana jumlah data yang dikumpulkan per unit waktu semakin bertambah banyak dengan kecepatan yang berlipat. Hal ini menambah volume data yang tersimpan dan harus diolah semakin membesar. Peningkatan volume data yang besar memerlukan metode yang bisa bekerja cepat dan terotomatisasi untuk mengolah dan mengambil kesimpulan dari data tersebut. Dalam penelitian ini mengaplikasikan teknik data mining dengan algoritma C 4.5 dan algoritma iterative dichotomiser 3 (ID3) dalam membuat model aturan decision tree untuk mendukung peningkatan indeks prestasi mahasiswa pada Fasilkom UNSIKA. Model aturan tersebut diperoleh dari pengklasifikasian indeks prestasi mahasiswa berdasarkan predikat puas dan tidak puas. Kemudian membandingkan kedua algoritma tersebut dan memilih mana di antara kedua yang lebih unggul kinerjanya serta diharapkan dapat memberikan kontribusi terhadap Fasilkom UNSIKA sebagai acuan dalam proses kegiatan belajar dan mengajar terhadap bidang ilmu komputer yang akan diambil pada angkatan berikutnya. B. Tujuan Tujuan yang ingin dicapai dengan adanya penelitian ini adalah: 1. Untuk mendapatkan sebuah model aturan dalam mendukung peningkatan indeks prestasi mahasiswa pada Fasilkom UNSIKA. 2. Untuk membantu Fasilkom UNSIKA dalam mengambil tindakan prepentif terhadap atribut dari indeks prestasi mahasiswa yang tidak memuaskan. II. METODOLOGI Seperti yang telah dijelaskan sebelumnya, bahwa metode yang penulis gunakan dalam penelitian ini menggunakan model Cross-Standard Industry for Data Mining (CRISP-DM). Dalam CRISP-DM ini, sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase, yaitu: 1. Fase Pemahaman Bisnis Dari laporan panitia penerimaan mahasiswa baru, Fasilkom UNSIKA dari tahun ke tahun minat calon mahasiswa yang mendaftar terhadap program studi yang ada di Fasilkom selalu bertambah bahkan dari beberapa tahun ini, fakultas ini merupakan satu di antara fakultasfakultas lain yang paling banyak diminati. Dengan semakin banyaknya minat calon mahasiswa maka perlu adanya pembenahan KBM yang lebih bagus lagi, maka Fasikom UNSIKA mempunyai
3 Jurnal Krea-TIF Vol: 03 No: 02 tujuan dan tekad untuk menghasilkan lulusan yang mampu menggunakan komputer dalam proses rekayasa, menguasai teknik dan metode penyelesaian masalah dengan bantuan komputer serta mampu mengembangkan kegiatan penelitian dan mampu meneruskan studi lanjutan dalam hal bidang keilmuan dan teknologi komputer. Oleh karena itu, untuk mempersiapkan itu semua perlu kiranya untuk melihat kemampuan belajar dan kemajuan mahasiswa yang dilakukan pada evaluasi hasil belajar pada setiap semesternya yang kemudian dinyatakan dengan indeks prestasi mahasiswa. Berdasarkan data yang diperoleh penulis dari bagian akademik Fasilkom, sampai saat ini belum diketahui kriteria model decision tree untuk algoritma dalam melakukan pengklasifikasian indeks prestasi mahasiswa untuk mendapatkan hasil aturan yang akurat. Oleh karena itu, maka dalam penelitian ini akan dilakukan pengujian model serta perbandingan antara algoritma decision tree tersebut. 2. Fase Pemahaman Data Untuk menentukan klasifikasi indeks prestasi mahasiswa, enam atribut predictor dan satu atribut class. Atribut- atribut yang menjadi parameter terlihat pada Tabel berikut ini. Tabel 1: Atribut dan Nilai Kategori No Atribut Nilai 1 Algoritma & Pemrograman Lanjutan < 70 2 Metode Numerik < 70 3 Organisasi Komputer < 70 4 Statistik 1 < 70 5 Struktur Data < 70 6 Teknik Pemrograman Terstruktur < Fase Pengolahan Data Data yang diperoleh untuk penelitian ini sebanyak 485 data record mahasiswa. Untuk mendapatkan data yang berkualitas, beberapa teknik preprocessing digunakan [6], yaitu: 1. Data validation, untuk mengidentifikasi dan menghapus data yang ganjil (outlier/ noise), data yang tidak konsisten dan data yang tidak lengkap (missing value).
4 2015 Jurnal Krea-TIF Vol: 03 No: Data integration and transformation, untuk meningkatkan akurasi dan efisiensi algoritma. Data yang digunakan dalam penulisan ini bernilai kategorikal. 3. Data size reduction and dicretization, untuk memperoleh data set dengan jumlah atribut dan record yang lebih sedikit tetapi bersifat informatif. Di dalam data training yang digunakan dalam penelitian ini, dilakukan seleksi atribut dan penghapusan data duplikasi menggunakan software RapidMiner Fase Evaluasi Pada tahap ini dilakukan pengujian terhadap model-model yang dibandingkan untuk mendapatkan informasi model yang paling akurat. Evaluasi dan validasi menggunakan confusion matrix dan kurva ROC. 6. Fase Penyebaran Setelah pembentukan model dilakukan analisa dan pengukuran pada tahap sebelumnya, selanjutnya pada tahap ini diterapkan model yang paling akurat untuk pengklasifikasian indeks prestasi mahasiswa. Setelah dilakukan preprocessing data yang didapat dari data mahasiswa sebanyak 485 record direduksi dengan menghilangkan duplikasi menjadi 211 record. 4. Fase Pemodelan Tahap ini juga dapat disebut tahap learning karena pada tahap ini, data training diklasifikasikan oleh model dan kemudian menghasilkan sejumlah aturan. Pada penelitian ini, pembuatan model menggunakan dua algoritma yaitu algoritma C 4.5 dan ID3. III. HASIL DAN BAHASAN A. Hasil Pada langkah awal dari proses perhitungan algoritma C 4.5 ini adalah menentukan terlebih dahulu atribut sebagai akarnya yaitu Algoritma & Pemrograman 2, Metode Numerik, Organisasi Komputer, Statistik 1, Struktur Data dan Pemrograman Terstruktur. Atribut yang terpilih adalah yang mempunyai nilai gain tertinggi dari nilai gain-gain atribut lainnya, kemudian dijadikan akar dari pohon. Dari hasil yang didapat untuk data training pada lampiran 3, dengan menggunakan tools RapidMiner 5.1
5 Jurnal Krea-TIF Vol: 03 No: 02 model pohon keputusan yang didapatkan dapat dilihat sebagai berikut. Gambar 1 Pohon Keputusan C 4.5 dengan RapidMiner 5.1 Berdasarkan pohon keputusan yang terlihat pada gambar 4.6 di atas, dapat dibentuk aturan-aturan untuk model pohon keputusan dari algoritma C 4.5 sebagai berikut: 1. R1: If Struktur Data AND Algoritma 2 THEN Puas 2. R2: If Struktur Data AND THEN Puas 3. R3: If Struktur Data AND <70 THEN Tidak Puas 4. R4: If Struktur Data AND AND Metode Numerik <70 THEN Tidak Puas 5. R5: If Struktur Data AND Pemrograman Terstruktur <70 THEN Tidak Puas 6. R6: If Struktur Data <70 THEN Tidak Puas
6 2015 Jurnal Krea-TIF Vol: 03 No: Pada langkah selanjutnya dalam membentuk suatu model pohon keputusan dengan menggunakan model algoritma ID3 adalah seperti halnya pada langkah dalam penentuan model algoritma C 4.5. Tahap awal dalam pembuatan suatu model dalam algoritma ID3 ditentukan terlebih dahulu atribut sebagai akarnya yaitu Algoritma & Pemrograman 2, Metode Numerik, Organisasi Komputer, Statistik 1, Struktur Data dan Pemrograman Terstruktur. Atribut yang terpilih adalah yang mempunyai nilai gain tertinggi dari nilai gain-gain atribut yang lainnya, kemudian dijadikan akar dari pohon. Dari hasil yang didapat untuk data training pada lampiran 3 dengan menggunakan tools RapidMiner 5.1, model pohon keputusan untuk algoritma ID3 yang didapatkan dapat dilihat sebagai berikut. Gambar 2 Pohon Keputusan ID3 dengan RapidMiner 5.1
7 Jurnal Krea-TIF Vol: 03 No: 02 Berdasarkan pohon keputusan yang terlihat pada gambar di atas, dapat dibentuk aturan-aturan untuk model pohon keputusan pada algoritma ID3 adalah sebagai berikut: 1. R1: If Struktur Data AND Algoritma 2 AND Organisasi Komputer THEN Puas 2. R2: If Struktur Data AND Algoritma 2 AND Organisasi Komputer <70 AND Statistik 1 THEN Puas 3. R3: If Struktur Data AND Algoritma 2 AND Organisasi Komputer <70 AND Statistik 1 < 70 THEN Puas 4. R4: If Struktur Data AND AND Organisasi Komputer THEN Puas 5. R5: If Struktur Data AND AND Organisasi Komputer <70 THEN Puas 6. R6: If Struktur Data AND <70 AND Organisasi Komputer THEN Tidak Puas 7. R7: If Struktur Data AND <70 AND Organisasi Komputer <70 THEN Tidak Puas 8. R8: If Struktur Data AND AND Metode Numerik <70 THEN Tidak Puas 9. R9: If Struktur Data AND Pemrograman Terstruktur <70 THEN Tidak Puas 10. R10: If Struktur Data <70 AND Statistik 1 AND Organisasi Komputer AND Metode Numerik THEN Puas 11. R11: If Struktur Data <70 AND Statistik 1 AND Organisasi Komputer AND Metode Numerik <70 THEN Tidak Puas 12. R12: If Struktur Data <70 AND Statistik 1 AND Organisasi Komputer <70 THEN Tidak Puas
8 2015 Jurnal Krea-TIF Vol: 03 No: R13: If Struktur Data <70 AND Statistik 1 <70 THEN Tidak Puas Proses data mining yang penulis gunakan dalam penelitian ini dilakukan dengan bantuan software data mining yaitu RapidMiner 5.1. Algoritma yang akan diujikan dalam penulisan ini adalah algoritma ID3 dan C4.5 yang berada pada modul classify. Kemudian dilakukan komparasi di antara keduanya dan mengukur metode mana yang paling tinggi tingkat akurasinya dengan menggunakan confussion matrix dan kurva ROC/AUC (Area Under Cover). Hasil dari pengujian model yang telah dikembangkan akan diuji tingkat keakuratannya dengan memasukkan sejumlah data uji (data testing) ke dalam model. Menurut Han dan Kamber (2006), untuk mengukur kekakuratan model dengan baik, data uji seharusnya bukan data yang berasal dari data training. Data uji yang penulis gunakan dalam penelitian ini berasal dari data indeks prestasi mahasiswa Fasilkom UNSIKA tahun Ada 35 sampel yang diambil untuk mendapatkan tingkat akurasi data dari data keseluruhan dengan jumlah total data sebanyak 211 dengan tingkat kesalahan 2,5 secara acak (simple random sampling). Berdasarkan hasil pengujian tingkat akurasi dari beberapa Tabel confusion matrix di atas, selanjutnya didapatkan hasil perhitungan nilai accuracy, precision dan recall. Nilai accuracy, precision dan recall yang telah dihitung untuk algoritma C 4.5 dan ID3 tersebut dapat dilihat pada Tabel berikut. Tabel 1 Nilai Accuracy, Precision, dan Recall Data Training Data Testing C 4.5 ID3 C 4.5 ID3 Accura cy Precisi on Recall Berdasarkan hasil pengujian tingkat akurasi dari beberapa gambar ROC di atas, selanjutnya didapatkan hasil perhitungan nilai ROC. Nilai ROC yang telah dihitung untuk algoritma C 4.5 dan ID3 tersebut dapat dilihat pada Tabel berikut.
9 Jurnal Krea-TIF Vol: 03 No: 02 Tabel 2: Nilai ROC Confusion Matrix ROC Algoritma Training Testing Training Testing C ID Berikut hasil komparasi nilai accuracy dan nilai ROC yang ditampilkan pada Tabel di bawah sebagai berikut: Tabel 3 Komparasi nilai accuracy dan ROC Selanjutnya berdasarkan kolom ROC pada Tabel 3, pada training algoritma C 4.5 memiliki tingkat ROC paling tinggi, yaitu dan pada testing algoritma C 4.5 juga memiliki tingkat ROC yang paling tinggi, yaitu termasuk dalam katagori klasifikasi sangat baik. Dengan mengunakan perbandingan data training dengan data testing, yaitu 80 berbanding 20, maka untuk akurasi dapat dilihat dalam Tabel 4 sebagai berikut: Tabel 4 Perbandingan Akurasi Data Training Data Testing Algoritma Confusion Matrix Training Testing Perbandingan Komparasi C 4.5 ID3 C 4.5 ID C ID Dari hasil pengujian di atas, dengan dilakukan evaluasi. Pada Tabel 3 dengan memperhatikan kolom training pada akurasi, algoritma C 4.5 memiliki tingkat akurasi yang paling tinggi dengan tingkat akurasi 96.67, demikian pula pada kolom testing algoritma C 4.5 memiliki nilai akurasi paling tinggi yaitu Oleh karena itu, berdasarkan Tabel 4.25 algoritma C 4.5 memiliki tingkat akurasi yang paling tinggi dibandingkan dengan algortima ID3, sehingga baik digunakan untuk pengklasifikasian indeks prestasi mahasiswa dengan persentase B. Implikasi Penelitian Berdasarkan hasil penelitian yang telah dilakukan ini, diharapkan dapat memberikan inspirasi dan masukan bagi pihak Fasilkom UNSIKA untuk dapat memanfaatkan teknik data mining,
10 2015 Jurnal Krea-TIF Vol: 03 No: khususnya metode klasifikasi yang dapat membantu dalam pengambilan keputusan pada indeks prestasi mahasiswa. Dari hasil evaluasi dari perhitungan kedua algoritma di atas, ternyata algoritma C4.5 terbukti paling akurat dibanding algoritma ID3. IV. PENUTUP Dari pengukuran kinerja kedua algoritma yang telah dilakukan berdasarkan jumlah data maka dapat disimpulkan bahwa algoritma C 4.5 memiliki kinerja yang lebih baik. Maka hasil penelitian dari percobaan yang telah dilakukan dapat disimpulkan bahwa algoritma C 4.5 mempunyai kinerja yang lebih baik dibandingkan algoritma ID3. Berdasarkan hasil penelitian yang diperoleh penulis, kiranya perlu pengembangan riset lebih lanjut demi kesempurnaan dan keakurasian data yang telah dikembangkan. Oleh karena itu, untuk melihat tingkat akurasi dari algoritma, akan lebih baik lagi kedua algoritma C 4.5 dan ID3 dibandingkan atau dikomparasi dengan model algoritma lain seperti Support Vector Machine, Naive Bayes, K-NN, Linear Regression ataupun algoritma lainnya. V. DAFTAR PUSTAKA [1] Han, J., & Kamber, M Data Mining: Consepts, Models, and Techniques. Fransisco: Morgan kauffman. [2] Kadir, Pengenalan Teknologi Informasi, Andi Offset, Yogyakarta, [3] Kusrini & Luthfi, E. T Algoritma Data Mining. Yogyakarta: Andi Publishing. [4] Larose, D. T Discovering Knowledge in Data. New Jersey: John Willey & Sons, inc. [5] Munir, Buku Teks Ilmu Komputer Matematika Diskrit, Informatika, Bandung, [6] Vercellis, 2009, Business Intelligence: Data Mining and Optimization for Decision making.
Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Pada penelitian ini bahan dan peralatan yang diperlukan sebagai berikut: 3.1.1 Bahan Dalam penelitian ini bahan yang dibutuhkan adalah data siswa kelas
Lebih terperinciEvaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak)
n 1 Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak) Nurliana Nasution 1, Khairani Djahara 2, Ahmad Zamsuri 3 1,2,3 Program Studi Teknik Informatika
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciAPPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT
APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT Harry Dhika 1, Fitriana Destiawati 2 1,2 Teknik Informatika Fakultas Teknik, Matematika dan IPA, Universitas Indraprasta PGRI
Lebih terperinciTriuli Novianti 1) Abdul Aziz 2) Program Studi D3 Teknik Komputer UMSurabaya, Surabaya ),
Jurnal Ilmiah NERO Vol. 1 No. 15 APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK MENAMPILKAN LAPORAN HASIL NILAI AKHIR MAHASISWA (STUDI KASUS DI FAKULTAS TEKNIK UMSURABAYA) Triuli Novianti
Lebih terperinciKAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS
KAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS LUSI ARIYANI Program Studi Teknik Informatika, Fakultas Teknik, Matematika, dan IPA Universitas
Lebih terperinciKAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC
KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI Email: dhikatr@yahoo.com ABSTRAK Penelitian ini membahas tentang cara
Lebih terperinciPENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE
PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciKLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45
72 KLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45 Muhamad Tabrani Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jl. Damai No.8 Warung Jati Barat Marga Satwa Jakarta
Lebih terperinciANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ)
ANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ) Ulfa Pauziah Tehnik Informatika, Universitas Indraprasta PGRI pelangi_ulfa@yahoo.com Abstrak. Di dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciBAB 3 METODE PENELITIAN. Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain :
BAB 3 METODE PENELITIAN 3.1 Instrumen Penelitian Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain : 3.1.1 Bahan Bahan yang digunakan dalam penelitian ini yaitu data siswa kelas SMA
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG
ALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG Ade Yuliana 1, Duwi Bayu Pratomo 2 1,2 Program Studi Teknik Informatika - Politeknik TEDC
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
Lebih terperinciKAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA
KAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA Virgana 1), Ulfa Pauziah 2) dan Michael Sonny 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciKOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS
Faktor Exacta 10 (1): 4049, 2017 pissn: 1979276X e ISSN: 2502339X KOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS SURANTO SAPUTRA surantosaputra@yahoo.com Program Studi
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciJurnal TELEMATIKA MKOM Vol.4 No.1, Maret 2012 ISSN: X
PEMILIHAN CRITERIA PLITTING DALAM ALGORITMA ITERATIVE DICHOTOMIER 3 (ID3) UNTUK PENENTUAN KUALITA BERA : TUDI KAU PADA PERUM BULOG DIVRE LAMPUNG Yusuf Elmande 1, Prabowo Pudjo Widodo 2 Magister Ilmu Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI Nandang Iriadi Program Studi Manajemen Informatika Akademik Manajemen Informatika dan Komputer Bina Sarana Informatika
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciii
KLASIFIKASI PENDAFTAR BEASISWA BIDIKMISI UNIVERSITAS SEBELAS MARET MENGGUNAKAN ALGORITMA C4.5 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Program Studi Informatika Disusun
Lebih terperinciPENERAPAN ALGORITMA C4.5 PADA PROGRAM KLASIFIKASI MAHASISWA DROPOUT. Anik Andriani AMIK BSI Jakarta
PENERAPAN ALGORITMA C4.5 PADA PROGRAM KLASIFIKASI MAHASISWA DROPOUT Anik Andriani AMIK BSI Jakarta ABSTRAK. Prestasi akademik mahasiswa dievaluasi setiap akhir semester untuk mengetahui hasil belajar yang
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
33 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPrediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta
Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta Prediction of Timeliness Graduation of Students Using Naïve Bayes: A Case Study at
Lebih terperinciPENERAPAN DATA MINING UNTUK MEMPREDIKSI PERILAKU NASABAH KREDIT: STUDI KASUS BPR MARCORINDO PERDANA CIPUTAT
PENERAPAN DATA MINING UNTUK MEMPREDIKSI PERILAKU NASABAH KREDIT: STUDI KASUS BPR MARCORINDO PERDANA CIPUTAT Syaiful Anwar Program Studi Manajemen Informatika Akademik Manajemen Informatika dan Komputer
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinciPENERAPAN ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT
Jurnal Techno Nusa Mandiri Vol. XIV, No. 1 Maret 2017 9 PENERAPAN ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT Siti Nur Khasanah Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No 8 Warung Jati
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciMODEL ALGORITMA K-NEAREST NEIGHBOR
MODEL ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI KELULUSAN MAHASISWA Abdul Rohman Dosen Jurusan Elektronika Fakultas Teknik Universitas Pandanaran Semarang Abstrak Dalam sistem pendidikan mahasiswa
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 368~372 368 PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI Adhika Novandya AMIK BSI Bekasi e-mail:
Lebih terperinciPEMODELAN DAN PROTOTIPE SISTEM INFORMASI UNTUK PREDIKSI PEMBAHARUAN POLIS ASURANSI MOBIL MENGGUNAKAN ALGORITMA C.45
PEMODELAN DAN PROTOTIPE SISTEM INFORMASI UNTUK PREDIKSI PEMBAHARUAN POLIS ASURANSI MOBIL MENGGUNAKAN ALGORITMA C.45 William Frado Pattipeilohy 1*, Arief Wibowo 2, Dyah Retno Utari 3 1,2,3 Universitas Budi
Lebih terperinciDATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)
DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom
Lebih terperinciUniversitas Sebelas Maret Bidikmisi Applicant s Classification using C4.5 Algorithm
Universitas Sebelas Maret Bidikmisi Applicant s Classification using C4.5 Algorithm Muh. Safri Juliardi Program Studi Informatika Universitas Sebelas Maret Jl. Ir. Sutami No. 36 A Surakarta juliardi@student.uns.ac.id
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE Rina Fiati 1, Putri Kurnia Handayani 2 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muria Kudus Gondangmanis,
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciPREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO)
PREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO) Arif Rakhman Email : arif@limamedia.net D III Teknik Komputer Politeknik Harapan Bersama
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE Putri Kurnia Handayani Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciSILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : Maret 2015 A. Identitas 1. Nama Matakuliah : A11.54606 / Data 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot sks : 3 SKS 5.
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciPENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT
PENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT Ester Arisawati Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri) Jl. Kramat Raya
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
Lebih terperinciApplication Determination Of Credit Feasibility in Sharia Cooperative
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 555~560 Application Determination Of Credit Feasibility in Sharia Cooperative 555 Dibjo Marginato AMIK BSI Tangerang Email: dibjomgo@gmail.com
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT SKRIPSI. Oleh :
ANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT SKRIPSI Oleh : Frista Yulianora 1401128832 Muchammad Hasbi Latif 1401136065 Rika Jubel Febriana
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciKAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI
KAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI HERU SULISTIONO mildlaser3@gmail.com 081282400050 Program Studi Teknik Informatika,
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
Lebih terperinciPERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh
Lebih terperinci